La primera diferencia, y la más grande, es la educación. O más bien debería decir “requisitos previos”, porque el grado no es todo lo que entra en juego allí.
Para convertirte en un científico de datos la mayoría de las veces solo necesitas una licenciatura en STEM. Si está familiarizado con las estadísticas y la programación, es suficiente para comenzar (no es que se convierta en analista senior en Google a los 21 años después de completar un par de cursos en edX, pero aún tiene una buena oportunidad). Master’s a menudo aparece como “deseable”, pero es muy raro que estés fuera de competencia por eso.
El investigador de aprendizaje automático es un científico. No, no puedes convertirte en un investigador de ML después de la secundaria. No, ni siquiera después del curso de Andrew Ng. Doctorado + postdoc + tres años con una buena trayectoria de publicaciones.
- ¿Debo elegir los IIT o BITS Pilani dado que quiero estudiar inteligencia artificial (aprendizaje automático)?
- ¿Cuál es el campo más popular en inteligencia artificial?
- Inteligencia general artificial: ¿Es el cerebro humano una 'máquina universal de Turing'?
- ¿Cómo podría usarse la IA en la vida cotidiana?
- Cómo construir voz en IA
Alguien que construye “grandes sistemas de IA” suele ser un ingeniero de ML. ¿Quién es solo un ingeniero de software que sabe mucho sobre el aprendizaje automático? Depende, a veces solo significa un título de BSc en CS, a veces, un par de años de codificación después de eso. Si estamos hablando de diseñar esos sistemas, bueno … digamos que el prototipo de TensorFlow fue, en cierta medida, una creación de personas como Jeff Dean y sus colegas más importantes.
El desarrollo de tal carrera depende de sus intereses. Los ingenieros lo tienen más fácil, en mi opinión. Cree cosas que funcionen y asegúrese de que su gerente lo sepa. Los científicos no tienen que entregar sistemas de trabajo que respeten los plazos (que no sean los de las conferencias). Pero se enfrentan a un dilema, puede pasar varios años persiguiendo algo grandioso que no funcionará o gastarlos construyendo su índice h, haciendo un trabajo incremental y produciendo 30 documentos cada año. Cada uno tiene su propia verdad al respecto.
La carrera de ciencia de datos no es tan diferente de la carrera de un ingeniero. Excepto tal vez por un poco de angustia al principio debido a las preguntas sobre el “colapso inminente de la burbuja de la ciencia de datos” y la “IA que se hace cargo de los trabajos de ciencia de datos”. Suele desaparecer muy rápido.
Todos son divertidos, pero muy pocos eligen el camino de un científico debido a la gran demora en el momento en que puede tener un buen salario y horas de trabajo razonables. Sin embargo, es muy interesante y gratificante: pregúntele a Quora User, por ejemplo.